一种光伏输出功率超短期混沌预测方法与流程

本发明涉及光伏发电领域，尤其是涉及一种光伏输出功率超短期混沌预测方法。

背景技术：

近年来，光伏发电作为一种清洁可再生能源迅速发展，从独立发电向并网发电方向迈进。未来分布式光伏发电系统大量接入电网，光伏发电在电网中的渗透率将不断升高，光伏输出功率存在的间歇性和随机性问题，将会对与其连接的电网稳定性产生不利影响，同时也会对电力部门的调度工作造成困难。因此，通过精确预测分布式光伏发电输出功率，并与储能系统充放电协调配合，平滑光伏出力波动，可以改善电力系统运行状况，减少系统整体运行成本。

目前国内外对于光伏出力的预测主要基于太阳辐照强度和发电功率历史数据，采用统计类预测方法和神经网络等现代智能算法对光伏出力进行预测，同时将各种气象因数引入预测方法改善预测精度，取得了一定的成果。但上述方法没有对光伏出力的波动特性进行深入分析，同时上述预测方法模型建立复杂，预测精度的提升依赖于精确的天气预报数据，考虑到目前预报水平限制，预测精度未达到令人满意的效果，影响电力系统的安全经济运行。

技术实现要素：

本发明的目的是针对上述问题提供一种光伏输出功率超短期混沌预测方法。

本发明的目的可以通过以下技术方案来实现：

一种光伏输出功率超短期混沌预测方法，所述超短期的时间长度在0～4小时之间，所述方法包括下列步骤：

1)采用C-C法获得光伏输出功率时间序列的最佳延迟量l和最佳嵌入维数m，重构光伏功率时间序列相空间；

2)根据步骤1)重构的光伏功率时间序列相空间，确定预测中心相空间点P_k，选取预测中心相空间点对应的邻近相空间点P_kj并计算邻近相空间点P_kj的权值W_j；

3)根据步骤2)得到的邻近相空间点P_kj的权值W_j，建立光伏出力加权一阶局域线性回归模型，计算最优线性拟合系数矩阵；

4)根据步骤3)得到的最优线性拟合系数矩阵，计算光伏输出功率预测值。

所述光伏功率时间序列相空间具体为：

其中，M为重构的光伏功率时间序列相空间点的个数，p(i)为光伏输出功率时间序列，i＝1,2,…,M+(m-1)l；P_k为重构的光伏功率时间序列相空间的点，k＝1,2,…,M。

所述步骤2)具体为：

21)确定光伏输出功率预测值对应的相空间点的前一点为预测中心相空间点P_k；

22)选取预测中心相空间点P_k对应的邻近相空间点P_kj；

23)计算各邻近相空间点P_kj的权值W_j。

所述邻近相空间点P_kj与预测中心相空间点P_k具有相似变换规律。

所述权值具体为：

其中，G为邻近相空间点的个数，d_j为邻近相空间点P_kj到预测中心相空间点P_k的空间距离，d_min为所有邻近相空间点P_kj到预测中心相空间点P_k的空间距离中的最小值。

所述步骤3)具体为：

31)建立光伏出力加权一阶局域线性回归模型，拟合邻近相空间点P_kj和下一时刻演化相空间点P_kj+1；

32)采用加权最小二乘法拟合线性回归方程，获得最优线性拟合系数矩阵A和B。

所述光伏出力加权一阶局域线性回归模型具体为：

P_kj+1＝A+BP_kj。

所述采用加权最小二乘法拟合线性回归方程具体为：

其中，A和B作为未知量，计算得到最优线性拟合系数矩阵A和B。

所述光伏输出功率预测值通过下式计算：

P_k+1＝A+BP_k

其中，P_k+1为光伏功率时间序列相空间中的一步预测相空间点，A和B为最优线性拟合系数矩阵，所述光伏输出功率预测值为一步预测相空间点P_k+1的最后一个值p_k+1+(m-1)l。

与现有技术相比，本发明具有以下有益效果：

(1)通过重构光伏功率时间序列相空间来对光伏输出功率进行预测，无需提前获取气象数据，不需要依赖于精确的天气预报数据提升预测精度，减小了预测的成本，同时也降低了预测的麻烦程度。

(2)建立了光伏出力加权一阶局域线性回归模型，此模型建立简单且预测耗费时间短，减小了计算量，降低了预测的难度。

(3)基于光伏的功率时间序列进行预测计算，对光伏出力的波动特性进行了深入的分析，揭露出光伏出力波动本质，因此提升了对光伏输出功率预测的精度，为更好地抑制光伏输出功率波动奠定基础。

附图说明

图1为光伏输出功率时间序列相图；

图2为本发明的方法流程图；

图3为不同天气状况下光伏输出功率预测结果图，其中，(3a)为晴朗天气预测结果图，(3b)为多云天气预测结果图，(3c)为阴天天气预测结果图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图2所示，本实施例提供了一种光伏输出功率超短期混沌预测方法，该方法包括下列步骤：

1)采用C-C法获得光伏输出功率时间序列的最佳延迟量l和最佳嵌入维数m，重构光伏功率时间序列相空间，具体为：

其中，M为重构的光伏功率时间序列相空间点的个数，p(i)为光伏输出功率时间序列，i＝1,2,…,M+(m-1)l；P_k为重构的光伏功率时间序列相空间的点，k＝1,2,…,M；

2)根据步骤1)重构的光伏功率时间序列相空间，确定预测中心相空间点P_k，选取预测中心相空间点对应的邻近相空间点P_kj并计算邻近相空间点P_kj的权值W_j，具体为：

21)确定光伏输出功率预测值对应的相空间点的前一点为预测中心相空间点P_k；

22)选取预测中心相空间点P_k对应的邻近相空间点P_kj；

23)计算各邻近相空间点P_kj的权值W_j。

所述邻近相空间点P_kj与预测中心相空间点P_k具有相似变换规律。

所述权值具体为：

其中，G为邻近相空间点的个数，d_j为邻近相空间点P_kj到预测中心相空间点P_k的空间距离，d_min为所有邻近相空间点P_kj到预测中心相空间点P_k的空间距离中的最小值；

3)根据步骤2)得到的邻近相空间点P_kj的权值W_j，建立光伏出力加权一阶局域线性回归模型，计算最优线性拟合系数矩阵，具体为：

31)建立光伏出力加权一阶局域线性回归模型，拟合邻近相空间点P_kj和下一时刻演化相空间点P_kj+1，即：

P_kj+1＝A+BP_kj；

32)采用加权最小二乘法拟合线性回归方程，获得最优线性拟合系数矩阵A和B，即：

其中，A和B作为未知量，计算得到最优线性拟合系数矩阵A和B；

4)根据步骤3)得到的最优线性拟合系数矩阵，计算光伏输出功率预测值，具体为：

P_k+1＝A+BP_k

其中，P_k+1为光伏功率时间序列相空间中的一步预测相空间点，A和B为最优线性拟合系数矩阵，所述光伏输出功率预测值为一步预测相空间点P_k+1的最后一个值p_k+1+(m-1)l。

本实施例中，具体的步骤为：

以某地区多日分布式光伏发电系统输出功率数据为基础，系统装机容量为367.8kW，数据采样时间段为2016年1月12日-2016年1月17日共计6日，数据分辨率为1min，每天早上6:30到下午17:30的光伏出力共3968个采样值作为实验数据，组成光伏出力时间序列p(i)，(i＝1…N)；12日至17日天气状况依次为阴转多云、多云、多云、晴、多云和阴。

应用C-C法确定最佳延迟量l和最佳嵌入维数m，重构光伏功率时间序列的相空间。选取光伏出力数据，由1月12日至14日采集数据构成光伏输出功率时间序列，构建功率时间序列相空间。

首先，构造关联积分：

其中，r_d(r_d>0)是相空间的欧氏距离；P_b和P_c是光伏输出功率时间序列重构相空间中的相点；N是时间序列数据长度；m是嵌入维数；l是延迟量；M＝N-(m-1)l是重构相空间的相点个数；H(a)是阶跃函数，如式(2)所示。应用BDS(Brock-Dechert-Scheinkman)统计得到m和r_d的恰当估计，取2≤m≤5，r_d＝dσ/2(d＝1,2,3,4，σ为时间序列的标准差)。

其次，定义检测统计量。考虑时间序列数据有限性和数据间可能的相关性，将光伏出力时间序列p(i)分成l个长度为N/l的子序列，N趋向于无穷大时可得光伏出力检测统计量S(l)，如式(3)所示。

选取S(l)的第一个过零点作为光伏出力相空间重构最佳延迟量l_opt。获取在相同的m和l下r_d值对应S(l)最大值和最小值之差，定义不同嵌入维数m下上述差值的平均值为ΔS(l)，如式(4)所示。

选取的功率时间序列数据长度有限且存在噪声，S(l)不一定存在过零点，可取ΔS(l)的第一个局部极小值作为光伏出力时间序列相空间重构最佳延迟量l_opt。

定义统计量S_cor(l)，如式(5)所示。

S_cor(l)＝|S(l)|+ΔS(l) (5)

确定S_cor(l)的全局最小值，对应光伏出力平均轨迹周期的最优估计量l^*。由式(6)可得最佳嵌入维数m_opt。

m_opt＝INT(l^*/l_opt)+2 (6)

由统计量曲线得光伏输出功率时间序列最佳嵌入维数m_opt＝3，延迟量l_opt＝11，平均轨迹周期l^*＝13。

最后，重构光伏输出功率时间序列相空间。根据l_opt和m_opt重构相空间，如式(7)所示，得到光伏输出功率时间序列相图，如图1所示。

基于光伏功率时间序列相图，选取与预测中心点P_k具有相似变换规律的邻近点P_kj，(j＝1,2,3···,G)，计算邻近点权值W_j。

选取P_k作为光伏出力预测的中心点，P_kj(j＝1,2,3…,G)为与P_k具有相似变换规律的邻近点，G代表对应邻近点个数，d_j为点P_kj到P_k的空间距离，定义d_min为所有邻近距离中的最小值，P_kj的权重值W_j，如式(8)所示：

基于上述计算结果，建立光伏出力加权一阶局域线性回归模型，计算最优线性拟合系数矩阵。

建立邻近点P_kj与其下一时刻的演化点P_kj+1之间的线性关系，如式(9)所示：

P_kj+1＝A+BP_kj，j＝1,2,3…,G (9)

其中，A、B为线性拟合系数矩阵。由式(10)进行加权最小二乘法拟合。

将式(10)看成未知量为A、B的二元函数，两边求A、B的偏导数，解方程组得参数A、B。

S4基于最优线性拟合系数矩阵A、B，将预测中心点P_k带入式(9)，可得：

P_k+1＝A+BP_k (11)

得到相空间中的一步预测点P_k+1，光伏出力的预测值对应为空间点向量P_k+1的最后一个值p_k+1+(m-1)l。

下面将本发明的一种光伏输出功率超短期混沌预测方法预测值与实际值进行对比，以某光伏发电系统历史发电数据为依据，超短期预测时长在0～4小时之间，本实施例选取预测时长为1min，基于加入最新实测数据，剔出最远实测数据的循环预测思想，不断更新光伏输出功率时间序列，实现对晴朗天气(1月15日)、多云天气(1月16日)和阴天天气(1月17日)状况下的光伏输出功率预测，采用平均绝对百分比误差Emape、均方根误差Ermse和相关系数Er对预测精度进行评估。

不同天气状况下光伏输出功率超短期混沌预测方法的预测结果如图3所示。晴朗、多云和阴天天气状况下对应平均绝对百分比误差Emape分别为2.39％、4.80％和5.78％，均方根误差Ermse分别为3.12kW、9.21kW和1.36kW，相关系数Er分别为0.9993、0.9928和0.9982。可见，对于晴朗天气、多云天气和阴天天气，本发明提出的光伏输出功率超短期混沌预测方法都获得了很好的预测效果。